論文の概要: BronchoLumen: Analysis of recent YOLO-based architectures for real-time bronchial orifice detection in video bronchoscopy

• arxiv url: http://arxiv.org/abs/2605.11748v1
• Date: Tue, 12 May 2026 08:25:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.707986
• Title: BronchoLumen: Analysis of recent YOLO-based architectures for real-time bronchial orifice detection in video bronchoscopy
• Title（参考訳）: BronchoLumen:ビデオ気管支鏡におけるリアルタイム気管支拡張検出のための最近のYOLOアーキテクチャの解析
• Authors: Yongchao Li, Marian Himstedt,
• Abstract要約: ブロンコルーメン(BronchoLumen)は、ビデオ気管支鏡における気管支拡張を検出するリアルタイムのYOLOシステムである。 本研究は,最先端の物体検出技術を用いて,画像領域全体にわたって気管支拡張物を堅牢に検出できるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 3.272941337586214
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Bronchoscopy is routinely conducted in pulmonary clinics and intensive care units, but navigating the complex branching of the respiratory tract remains challenging. This paper introduces BronchoLumen, a real-time YOLO-based system for detecting bronchial orifices in video bronchoscopy, aiming to assist navigation and CAD systems. The paper investigates if bronchial orifices can be robustly detected across image domains using state-of-the-art object detection and a limited set of public image data. The study includes the description and comparison of YOLOv8, a widely adopted architecture, and YOLOv12, a more recent architecture integrating attention-based modules to improve spatial reasoning. Both models are trained and tested solely on publicly available datasets comprising different image domains. A comparison of both models is conducted based on the common metrics mAP@0.5 and mAP@0.5:0.9 with the latter emphasizing localization accuracy. For YOLOv8 we obtained a mAP@0.5 of 0.91 on an in-domain and 0.68 on a cross-domain test set. YOLOv12 achieved 0.84 and 0.68 respectively with slightly better localization accuracy with mAP@0.5:0.9 of 0.48 and 0.26 compared to YOLOv8 with 0.45 and 0.25. Challenges like motion blur and low contrast occasionally entailed uncertainties but the system demonstrated overall robustness in most scenarios. BronchoLumen is an open-weight, YOLO-based solution for bronchial orifice detection offering high accuracy and efficiency across multiple image domains. While the more recent YOLOv12 achieves better localization accuracy, we observed a slightly worse precision. The models have been made publicly available to foster further research in bronchoscopy navigation.
• Abstract（参考訳）: 気管支鏡検査は, 肺クリニックや集中治療室で日常的に行われているが, 気道の複雑な分岐をナビゲートすることは依然として困難である。 本稿では,映像気管支鏡の気管支鏡所見を検出するリアルタイムYOLOシステムであるBronchoLumenを紹介し,ナビゲーションとCADシステムを支援することを目的とした。 本研究では,最先端のオブジェクト検出と限られた公開画像データを用いて,気管支拡張物が画像領域全体にわたって堅牢に検出できるかどうかを検討する。 この研究には、広く採用されているアーキテクチャであるYOLOv8と、空間推論を改善するために注目ベースのモジュールを統合する最近のアーキテクチャであるYOLOv12の記述と比較が含まれている。 どちらのモデルもトレーニングされ、さまざまな画像ドメインからなる公開データセットでのみテストされる。 両モデルの比較は,mAP@0.5とmAP@0.5:0.9の共通測度に基づいて行われ,後者は局所化精度を強調する。 YOLOv8では、ドメイン内のmAP@0.5で0.91、クロスドメインのテストセットで0.68を得た。 YOLOv12はそれぞれ0.84と0.68を達成し、mAP@0.5:0.9は0.48、0.26は0.45と0.25である。 動きのぼやけや低コントラストといった課題は時々不確実性を引き起こしたが、ほとんどのシナリオではシステム全体の堅牢性を示した。 BronchoLumenは、複数の画像ドメインにまたがって高い精度と効率を提供する気管支拡張の検出のための、オープンウェイトなYOLOベースのソリューションである。 より最近の YOLOv12 では位置決め精度が向上するが,精度はわずかに低下した。 これらのモデルは気管支鏡ナビゲーションのさらなる研究を促進するために公開されている。

関連論文リスト

• BloomNet: Exploring Single vs. Multiple Object Annotation for Flower Recognition Using YOLO Variants [0.0]
  本稿では, YOLOv5s, YOLOv8n/s/m, YOLOv12nなどのYOLOアーキテクチャを2つのアノテーション条件下でのオブジェクト検出のためにベンチマークする。 6つの異なる花種の2,816枚の高解像度写真からなるFloralSixデータセットも導入された。
  論文  参考訳（メタデータ） (2026-02-20T19:47:45Z)
• A Lightweight and Robust Framework for Real-Time Colorectal Polyp Detection Using LOF-Based Preprocessing and YOLO-v11n [2.4896276458398785]
  本研究では,ポリプ検出のための新しい,軽量で効率的なフレームワークを提案する。 ノイズの多いデータをフィルタリングするLocal Outlier Factorアルゴリズムと、YOLO-v11nディープラーニングモデルを組み合わせる。 従来のYOLO法と比較して精度と効率が向上した。
  論文  参考訳（メタデータ） (2025-07-14T23:36:54Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
  高精度で軽量な物体検出器YOLOv13を提案する。 ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。 また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-21T15:15:03Z)
• Harnessing Foundation Models for Robust and Generalizable 6-DOF Bronchoscopy Localization [2.795503750654676]
  視覚に基づく6-DOF気管支鏡の局所化は、正確で費用対効果の高い介入誘導のための有望なソリューションを提供する。 既存の方法では,1)ラベル付きデータ不足による患者全体の一般化の制限,2)視覚的劣化による堅牢性の低下に苦慮している。 気管支鏡の局所化フレームワークであるPANSv2を提案する。
  論文  参考訳（メタデータ） (2025-05-30T06:14:12Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。